2026 年 6 月 24 日，委內瑞拉北部在幾秒內連續發生兩次地震，先是規模 7.2 的前震，接著是規模 7.5 的主震，地點在首都卡拉卡斯以西約 160 公里。救援單位最先問的是很實際的問題：災區有多少棟房子、房子在哪裡、哪些已經倒了。

插畫：社區活動中心裡，志工坐在長桌前用筆電在空拍影像上描屋頂，牆上大螢幕顯示幾棟描好的房子延伸成整片建物輪廓
志工在社區活動中心用筆電描出空拍影像上的屋頂，牆上的螢幕把幾棟人工描好的房子延伸成整座城鎮的建物輪廓，對應 fAIr 先由人標註、再由 AI 擴大範圍的做法（AI 生成示意圖）

人道主義開放街圖團隊（Humanitarian OpenStreetMap Team，HOT）在 24 小時內，用 AI 輔助製圖工具 fAIr 交出建物密度、AI 描出的建物輪廓和建物損壞預測。這些圖層用的是災後的 Vantor 衛星影像，交給國際移民組織（IOM）、MapAction 等第一線團隊，讓他們決定先往哪裡派人。

美國地質調查所的震度圖，委內瑞拉北部沿海從卡拉卡斯往西一帶標成橘紅色的強烈搖晃區
2026 年 6 月 24 日規模 7.5 地震的震度圖，橘紅色是搖晃最強的區域，卡拉卡斯位在右上方（圖：USGS ShakeMap，公有領域，via Wikimedia Commons）

10 月 21 日，衛星影像深度學習播客主持人 Robin Cole 訪問了 HOT 的 Petya Kangalova 和 Kshitij Raj Sharma，談這套做法怎麼運作。以下依照訪談和 HOT 公開的文件，整理志工和 AI 怎麼分工。

HOT 先請志工畫圖，再用 AI 擴大範圍

插畫：俯瞰山坡小鎮，一隻手用筆描出幾棟屋頂的金色外框，周圍更多屋頂也出現相同外框
從空中俯瞰山坡上的小鎮，一隻手用筆描出幾棟屋頂的外框，同樣的外框再延伸到周圍更多房子，代表志工描好的種子資料讓模型擴大範圍（AI 生成示意圖）

HOT 是一個非營利組織，成立約 15 年，約有 70 名員工，在四個區域工作。它過去的主力是號召世界各地的志工，在衛星影像上把房子和道路一筆一筆描進開放街圖（OpenStreetMap，OSM）。

GeoAI 是把人工智慧用在地圖和地理影像上。最常見的任務，是讓電腦在空拍圖裡找出屋頂、道路或水塔。

fAIr 的流程是志工先在一小塊區域手動描出建物，再用這些描好的資料微調模型，讓模型去掃描大得多的範圍。微調（fine-tuning）可以想成一位會做家常菜的廚師搬到新城市，先照著當地人示範煮幾道菜，學會當地的食材和口味。基礎模型已經看過很多地方的房子，再看幾百棟當地的屋頂，就比較認得鐵皮屋、平頂水泥房或密集的違建。

例如 fAIr 的模型目錄裡有一個「dinov3s-buildings-finetuned-banepa-v2」，就是用尼泊爾巴內帕（Banepa）的建物資料微調出來的區域版本。基礎模型和衛星嵌入的原理，本站在〈OlmoEarth v1.3 公開全球 10 公尺衛星嵌入資料〉已經介紹過，這裡只談 fAIr 怎麼用。

fAIr 目前使用的是解析度優於 1 公尺的高解析度彩色（RGB）影像，主要來自開放空拍影像平台 OpenAerialMap。輸出是點、線、面格式的 GeoJSON，可以直接放進地理資訊系統（GIS）軟體。訓練用的標註有三種來源：新手在手機 App MapSwipe 上左右滑、熟手在 HOT 的 Tasking Manager 上描圖、進階使用者自己手畫。

AI 的預測要經過人工驗證才拿去用

插畫：一個人坐在山邊步道的木長椅上，用手機查看一格房屋空拍影像，身旁疊著一疊影像卡
一個人坐在可以眺望海灣的長椅上，用手機檢查一格房屋的空拍影像，身旁疊著已經看過的影像，代表用 MapSwipe 一格一格驗證 AI 的預測（AI 生成示意圖）

fAIr 文件把模型的輸出稱為「建議」，要有人看過才算數。驗證有三種管道：在編輯器裡逐一接受或拒絕、到現場用 Field Tasking Manager 或 ChatMap 確認，或交給 MapSwipe 大量群眾快速檢查。

MapSwipe 的用法像整理照片：手機上一格一格顯示衛星影像，志工看到有損壞就點一下，沒有就滑走。ChatMap 則是透過 WhatsApp 群組，讓災區現場的人傳回位置、照片和影片。

委內瑞拉這次，2,681 名 MapSwipe 志工在 23 個專案裡交出超過 18 萬筆判讀，檢查 fAIr 和微軟 AI for Good Lab 的損壞預測。結果是卡拉瓦耶達（Caraballeda）、拉瓜伊拉（La Guaira）和卡拉卡斯三座城市的人工驗證損壞評估。另外有 590 名志工在 OSM 描了約 9.7 萬棟建物輪廓，屬於這次應變期間 13.6 萬次編輯的一部分。

損壞評估的計算方式寫在人道資料交換平台（HDX）上。AI 先比對災前和災後影像，結果彙整到 H3 六角形網格，每一格由多位志工投票，過半數認為有損壞才標成損壞。HDX 也註明這些投票只根據影像判讀，沒有經過現場查核。

Wyvern 衛星拍攝的委內瑞拉加勒比海沿岸，上方是海岸線和城鎮，中間是綠色山脈，下方是卡拉卡斯谷地的密集市區
2026 年 8 月 2 日 Wyvern 衛星拍攝的卡拉瓦耶達一帶：上方是加勒比海岸，山脈另一側是卡拉卡斯谷地（已裁切並調亮；圖：Wyvern Inc.／CC BY 4.0，via Wikimedia Commons）

fAIr 的另一個原則是不把 AI 畫的建物直接灌進 OSM。HOT 把驗證過的成果另外放在 HDX 和 Hugging Face，當成獨立的開放圖層。志工人工製圖的資料量如何累積起來，可以參考本站〈用 GIS 看臺北鐵路地下化與市民大道的都市縫合〉裡引用的研究。

STAC-MLM 把每個模型寫成一張可搜尋的目錄卡

插畫：圖書館的木製卡片櫃，每張目錄卡附著一張衛星影像縮圖和齒輪圖示
圖書館的木製卡片櫃裡，每張目錄卡都附著一張衛星影像縮圖和一個齒輪圖示，代表 STAC-MLM 替每個模型寫下的目錄卡（AI 生成示意圖）

STAC 是「時空資產目錄」（SpatioTemporal Asset Catalog）的縮寫。它像圖書館的書目卡，每張卡記下一張衛星影像拍的是哪裡、什麼時候拍、檔案放在哪。只要卡片格式一樣，不同機構的影像就能用同一套工具搜尋。

MLM 是 STAC 的「機器學習模型」（Machine Learning Model）擴充，把同一套書目卡用在 AI 模型上。一張 MLM 卡片會寫明模型要輸入幾個波段、多大的影像、要先做哪些前處理、會輸出哪些類別、用什麼環境執行、權重檔在哪裡、用什麼資料訓練。這有點像藥品仿單，拿到藥的人不必問原廠，就知道怎麼用、不能怎麼用。

MLM 擴充由蒙特婁電腦研究中心（CRIM）、Wherobots、Terradue 和加拿大自然資源部共同維護，採 Apache-2.0 授權。2026 年 9 月 23 日發布 v1.6.0，成熟度標為「Candidate」。

fAIr 的模型目錄分成三類：基礎模型、區域模型和資料集。每個模型都有 Docker 映像檔，權重放在 Hugging Face 並附雜湊值，STAC 卡片上還會記下模型是在哪個地理區域訓練的。使用者因此能先查到「這個模型在哪裡學過」，再決定要不要拿到自己的城市用。

HOT 公開徵求模型，每個獲採用的模型付 3,000 美元

HOT 在 2026 年 7 月 2 日公開徵求地球觀測 GeoAI 模型，收件到 12 月 31 日。徵求的類別有七種：住宅區、關鍵公共設施、供水與衛生（WASH）設施、生計設施、交通設施、基本公用事業，以及緊急與公共服務設施。

投稿的模型要附模型說明卡、公開權重、STAC-MLM 描述，並通過 fAIr 的測試。訪談中提到，每個模型要提供前處理、推論、微調和後處理四條流程，讓模型能在新的區域重新訓練。每個獲採用的模型可得到 3,000 美元，也能使用 MapSwipe 的人工驗證資料集和回饋。

目前目錄裡已經能用的有建物、游泳池、停車位和固體廢棄物四類模型。樹木、海草、道路等模型正透過 Omdena 和 Zindi 兩個公開挑戰開發，Omdena 約有 50 人參加，Zindi 預計超過 100 人。

限制也寫得很清楚。fAIr 現在只處理優於 1 公尺的 RGB 影像，Sentinel-2 這類 10 公尺等級的衛星資料，訪談中說可能明年才支援。

哥倫比亞地震和尼泊爾洪災也用同一套流程

2026 年 8 月 10 日，哥倫比亞西部喬科省（Chocó）發生規模 7.4 地震。HOT 和 OSM Colombia、哥倫比亞國家災害風險管理局（UNGRD）、UN Maps、聯合國開發計畫署（UNDP）和國家地理研究所（IGAC）一起劃定優先區域。到 9 月 8 日，超過 450 名志工描了建物和道路；717 名 MapSwipe 志工在維特爾博（Viterbo）和拉特拜達（La Tebaida）兩個專案交出超過 4.9 萬筆判讀。佩雷拉（Pereira）一帶的建物與損壞預測已經放上 Hugging Face。

同年 8 月，尼泊爾拉蘇瓦縣（Rasuwa）發生山洪和土石流。洪災後 24 小時內，HOT、NAXA 和尼泊爾國家減災管理局開出第一個製圖專案，兩個 fAIr 區域模型分別負責找建物和評估每棟建物的損壞程度。338 名有經驗的志工在 OSM 加了 20,100 棟建物，4,170 名 MapSwipe 志工在九個專案交出超過 42.3 萬筆驗證。

平時的用途也在擴大。訪談提到，「Map Your City with fAIr」社群徵件已有超過 25 個專案。其他例子還有和印尼峇里島防災機關合作，處理火山疏散路線與海嘯風險；以及「Know Your City」計畫，在獅子山和賴比瑞亞描繪非正式聚落。

臺灣可以參考的方向

插畫：臺灣沿海河谷的鄉鎮，河流與洪氾區疊上半透明的災害潛勢色帶，房屋和稻田排列在岸邊
臺灣沿海河谷的鄉鎮，河流兩側的低地疊上半透明的災害潛勢色帶，岸邊是房屋和稻田，代表把 AI 建物圖層疊上災害潛勢圖、找出優先驗證的區域（AI 生成示意圖）
  • 開放街圖臺灣社群（OSM Taiwan）已經有長期的圖客聚會和入門教材，可以在易受災的鄉鎮先描一小塊建物，當作微調區域模型的種子資料。
  • 內政部國土測繪中心的 網路地圖圖磚服務（WMTS）提供歷年正射影像（最新到 114 年）和「臺灣通用電子地圖加值分棟建物框」圖層，前者可當影像，後者可當建物標註的參考。用來訓練模型前，要先逐一確認各圖層的授權範圍。千分之一地形圖的供應情形可參考本站〈國土測繪中心開始供應千分之一地形圖與三維網格模型〉。
  • 國家災害防救科技中心的 3D 災害潛勢地圖有淹水、坡地、土壤液化、海嘯溢淹和火山等主題，並提供圖資下載。把 AI 找出的建物圖層疊上災害潛勢圖，就能先列出最需要驗證的區域，讓志工的時間花在刀口上。災時的情資整合則有災害情資網。
  • 政府資料開放平臺上的臺灣通用電子地圖（例如資料集 25108）採政府資料開放授權條款第 1 版。日後若有 AI 產出的建物或損壞圖層，可以比照 STAC-MLM 的做法，在資料說明裡寫清楚模型、訓練區域和驗證方式。
  • 2025 年 9 月花蓮光復鄉馬太鞍溪堰塞湖溢流後，公民科技社群在幾天內做出多張救災地圖，g0v 的整理頁列出了這些成果。這股動員力若搭配共用的資料格式，下次的工具就能彼此接上。

GIS 研究可以運用的方法與資料

資料來源